CN110458344B - 一种自适应时间分辨率的超短期风电功率预测方法 - Google Patents
一种自适应时间分辨率的超短期风电功率预测方法 Download PDFInfo
- Publication number
- CN110458344B CN110458344B CN201910684948.6A CN201910684948A CN110458344B CN 110458344 B CN110458344 B CN 110458344B CN 201910684948 A CN201910684948 A CN 201910684948A CN 110458344 B CN110458344 B CN 110458344B
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- fluctuation
- error
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003044 adaptive effect Effects 0.000 title claims description 27
- 238000005070 sampling Methods 0.000 claims description 13
- 230000002123 temporal effect Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010521 absorption reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种自适应时间分辨率的超短期风电功率预测方法,包括以下步骤:计算风电功率预测周期内隐藏性预测误差,并建立相应的误差波动幅值和波动率指标衡量风电功率预测误差的波动特性;预测风电功率波动性判断是否需要调节时间分辨率;然后对历史数据进行离线学习,并根据学习得到的调节系数和波动率之间的数值关系对调节系数和波动率进行组距分组,再在线调节时间分辨率进行自适应超短期风电功率预测。本发明可以有效减小风电功率预测误差,尤其对分钟级剧烈波动的风电功率具有好的预测效果,不仅为提高风电功率预测精度开辟了新的思路,而且有助于提高风电并网电力系统的安全稳定性和风电消纳能力。
Description
技术领域
本发明涉及风电领域,特别涉及一种自适应时间分辨率的超短期风电功率预测方法。
背景技术
随着传统化石能源的日益短缺及环境污染问题的日渐突出,以风能为代表的清洁能源被大规模地开发和利用,在电力系统中的渗透率不断上升。但是风电资源自身具有的波动性、随机性,给电力系统的安全稳定运行带来了挑战。因此,把握风电功率的波动特性,提高其预测精度,对增强电网消纳风电的能力,提高电力系统的安全稳定性具有重要意义。
风电功率预测按时间尺度可分为长期、中期、短期和超短期预测。其中,超短期预测是对未来4小时的风电功率进行滚动预测,提高其预测精度可以优化风电功率的在线调度管理,缓解电力系统调峰和调频的压力,确保电力系统的稳定运行和电力的可靠供应。
目前,风电功率预测方法主要有物理方法和统计方法两类。前者计算原理复杂且其中的数值天气预报环节预测耗时较长,不适用于风电功率超短期预测,因此不在本申请的研究范畴。后者通过统计历史数据建立输入与输出之间的映射关系,对风电功率进行预测,包括:时间序列模型、人工神经网络模型、卡尔曼滤波模型、灰色预测模型和支持向量机等及其改进方法。统计方法的建模原理简单有效,且其预测精度会随着预测时间区间的缩短和靠近而显著提高,因此可用于风电功率超短期预测。其中,人工神经网络模型具有自学习、自组织、自适应以及很强的非线性函数逼近能力,是风电功率预测中应用最广的方法。其中,又以BP神经网络模型使用率最高。
近年来,学者们对于如何提高基于人工神经网络模型的风电功率预测精度进行了广泛的研究。例如,文献(Y.Zhang,B.Chen,Y.Zhao and G.Pan,"Wind Speed Predictionof IPSO-BP Neural Network Based on Lorenz Disturbance,"in IEEE Access,vol.6,pp.53168-53179,2018.)采用主成分分析法对风电数据进行处理,选择出影响风电功率波动的关键因素作为BP神经网络模型的候选输入,从而有效地降低了预测的复杂度并提高了预测精度。神经网络模型还分别与季节自回归积分移动平均法、小波包分解和集合经验模态分解等方法结合起来,使风电功率预测系统基于数据特性进行更高精度的预测。文献(Z.Haiqiang,X.Yusheng,G.Jizhu and C.Jiehui,"Ultra-short-term wind speedforecasting method based on spatial and temporal correlation models,"in TheJournal of Engineering,vol.2017,no.13,pp.1071-1075,2017.)充分考虑风电功率波动的不同情况,分别采用自回归积分移动平均法和动态模糊神经网络法对具有常见波动特性和罕见波动特性的风电功率时间序列进行预测,提高了预测效率和精度。文献(Zhang,H.Zhu and M.U.Rehman,"A Model Combining Convolutional Neural Network andLightGBM Algorithm for Ultra-Short-Term Wind Power Forecasting,"in IEEEAccess,vol.7,pp.28309-28318,2019.)将LightGBM算法应用于卷积神经网络中进行风电功率的超短期预测,克服了单卷积模型预测风电功率的局限性,提高了预测的鲁棒性和准确性。
上述方法都采用恒定的时间分辨率来预测风速或风电功率,即预测模型的输入、输出数据及预测系统的滚动预测均是以恒定时间步长为周期的。但是,一些大规模风电场历史实测数据显示风电功率在分钟级的时间步长内可能具有幅度大且变化快的剧烈波动。例如,2009年美国德克萨斯州风电功率在10min时间步长内的功率波动量为1256MW,占其风电总装机容量的14%;中国甘肃酒泉北大桥风电场群在10min时间步长内的功率波动量占其风电总装机容量的35%。可见,在风电功率分钟级剧烈波动期间,采用恒定时间分辨率(通常为15分钟)的预测模型无法准确地跟踪时间步长内的分钟级风电功率波动,在时间步长内产生大的瞬时预测误差。这一瞬时预测误差会给以5min为周期的电力系统实时调度带来较大的不确定性,严重地威胁系统的安全稳定性,影响系统的风电消纳能力。其中,德克萨斯州的电力系统分别在2007年2月24日和2008年2月26日发生的紧急事件就是由时间步长内剧烈的分钟级风电功率波动引起的两个典型的电力系统故障案例。
发明内容
为了解决上述技术问题,本发明提供一种预测效率高、预测精度高的自适应时间分辨率的超短期风电功率预测方法。
本发明解决上述问题的技术方案是:一种自适应时间分辨率的超短期风电功率预测方法,包括以下步骤:
步骤1:计算风电功率预测周期内隐藏性预测误差;
步骤2:建立相应的误差波动幅值和波动率指标衡量风电功率预测误差的波动特性;
步骤3:进行风电功率波动性判断,确定是否需要调节时间分辨率;
步骤4:对历史数据进行离线学习,并根据学习得到的ρmaxH0%和kus之间的数值关系对ρmaxH0%和kus进行组距分组;
步骤5:在线调节时间分辨率,进行自适应超短期风电功率预测。
本发明的有益效果在于:本发明根据风电功率预测周期内隐藏性预测误差以及相应的误差波动幅值和波动率指标来衡量风电功率预测误差的波动特性;再对历史数据进行离线学习,并根据学习得到的ρmaxH0%和kus之间的数值关系对ρmaxH0%和kus进行组距分组,根据调节系数在线调节时间分辨率进行自适应超短期风电功率预测。这样有效减小了风电功率预测误差,尤其对分钟级剧烈波动的风电功率具有好的预测效果,有助于提高风电并网电力系统的安全稳定性和风电消纳能力。
附图说明
图1为本发明的流程图。
图2为本发明中风电功率平均预测误差与瞬时预测误差示意图。
图3为本发明中超短期风电功率预测时间分辨率的在线自适应调节方法的流程图。
图4为本发明离线学习的流程图。
图5为本发明实施例中28天的风电功率实际数据图。
图6为本发明实施例中12:15至16:15期间的超短期风电功率预测值与实际值示意图。
图7为本发明实施例中12:15至16:15期间的超短期风电功率平均预测误差与隐藏性预测误差示意图。
图8为本发明实施例中17:45至21:45期间的超短期风电功率预测值与实际值示意图。
图9为本发明实施例中17:45至21:45期间的超短期风电功率平均预测误差示意图。
图10为本发明实施例中17:45至21:45期间的超短期风电功率隐藏性预测误差示意图。
图11为本发明实施例中20:00至24:00期间的超短期风电功率预测值与实际值示意图。
图12为实施例中20:00至24:00期间的超短期风电功率平均预测误差示意图。
图13为本发明实施例中20:00至24:00期间的超短期风电功率隐藏性预测误差示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示,一种自适应时间分辨率的超短期风电功率预测方法,包括以下步骤:
步骤1:计算风电功率预测周期内隐藏性预测误差。在风电功率分钟级剧烈波动期间,恒定时间分辨率下的预测模型无法准确地跟踪时间步长内较大的分钟级风电功率波动,导致较大的瞬时预测误差。本发明首先对该瞬时预测误差进行特性分析。
目前,风电功率通常采用恒定时间分辨率进行预测。比如,中国电力行业标准中“风电功率预测功能规范”规定:超短期风电功率预测的时间分辨率Tus不小于15分钟(一般为15min)。相应地,预测误差考核指标的计算也是基于恒定时间分辨率的。因此,目前的风电功率预测误差表示预测误差的平均性能,其中绝对预测误差eabs和相对预测误差erel的表达式如式(1)-(2)所示。
eabs=PM-PP (1)
式中,PM、PP分别为以15min为恒定时间分辨率的风电功率平均实际值和平均预测值;Sop为风电场的开机总容量。
由式(1)-(2)可以看出,eabs和erel仅能反映每个时间步长内风电功率预测误差的均值,不能体现各时间步长内误差的动态波动,忽略了瞬时预测误差。尤其地,当风电功率具有分钟级剧烈波动时,被忽略的大的瞬时预测误差会对电力系统的安全稳定运行造成严重威胁。因此,对于超短期风电功率预测,不仅要关注整个时间步长的预测误差均值,还需要评估和减小时间步长内的瞬时预测误差。这样可以更精确地把握风电功率的实时波动特性以及预测模型跟踪实时风电功率波动的情况,继而提高风电功率预测精度。由于这种瞬时预测误差隐藏在各恒定时间步长之内,本发明将其定义为隐藏性预测误差。
根据“风电功率预测系统功能规范”中的数据采集和处理规定可知,目前风电场实时功率数据的采样周期应不大于1min;存储系统运行期间所有时刻的功率数据,并将其转化为15min平均数据用于风电功率的预测及其统计分析(在后文中称之为平均实际记录值)。本发明中,选取1min为风电场实时功率数据的采样周期及隐藏性预测误差的计算时间周期THE,风电功率绝对隐藏性预测误差eHabs和相对隐藏性预测误差eHrel表示为:
eHabs=PMH-PPH (3)
式中,PMH为以1min为采样周期采样得到的风电功率实测值;PPH为以15min为恒定时间分辨率预测得到的平均功率值线性插值转化为的以1min为时间周期的风电功率等效预测值。
以图2的风电功率预测误差为例进行分析。图2中,在T1-T2时间步长内风电功率相对隐藏性预测误差的最大值达到17.79%,超过该时间步长相对预测误差均值erel的43.35%。正如以上理论分析,不仅需要评估预测误差均值,还需要关注隐藏性预测误差。
步骤2:建立相应的误差波动幅值和波动率指标衡量风电功率预测误差的波动特性。
精确的预测误差特性分析是采取措施提高风电功率预测精度的前提。本发明在目前已有的只关注均值的风电功率预测误差考核指标基础上,对时间步长内的隐藏性预测误差的波动特性进行分析和评估。这是自适应调整预测系统的时间分辨率的基础。具体包括:
1)波动幅度分析:为判断某时间区间内是否存在恒定时间分辨率功率预测时被忽略的大幅度的风电功率波动,分析该时间区间内隐藏性预测误差的波动幅度;
目前风电功率预测系统中,考核指标最大预测误差δabs和极大误差率δmax表征预测误差均值的极大值,能够反映预测结果的最大风险状态。相应地,为衡量隐藏性预测误差的极大值,检测最大风险的风电功率波动,本发明建立最大隐藏性预测误差δabsH和极大隐藏性误差率δmaxH作为评估隐藏性预测误差波动幅度的考核指标,计算方法分别如式(5)、(6)所示;
δabsH=max(|PMH-PPH|) (5)
2)波动率分析:为判断某时间区间内是否存在高频率的风电功率波动,进而衡量预测模型对风电功率实时波动的跟踪程度,分析该时间区间内隐藏性预测误差的波动率;
由于风电功率分钟级剧烈波动与风电功率爬坡行为均具有幅值大和持续时间短的特点,因此,为反映某时间区间内隐藏性预测误差的波动率,即预测模型对风电功率实时波动的跟踪程度,本发明基于风电功率的爬坡行为特性,建立最大单向平均波动率ρmaxH%作为评估隐藏性预测误差波动率的考核指标,计算方法分别如式(7)所示。
式中,下标c和d分别表示某时间区间内隐藏性预测误差的某段单向波动(单调增大或者单调减小)的起点和终点;ΔeHcd=|eHd-eHc|和ΔtHcd=|tHd-tHc|分别为对应于以c为起点及以d为终点的隐藏性预测误差单向波动的幅值和持续时间,其中:eHd和eHc分别为起点c及终点d处的隐藏性预测误差,tHd和tHc分别为起点c及终点d处的时间;ρmaxH%为此时间区间内隐藏性预测误差的最大单向平均波动率。基于爬坡行为特性的统计分析,为了避免该时间区间内预测误差极短时间的小幅度波动对最大单向平均波动率指标ρmaxH%造成干扰,提高特性分析的准确度,本发明中令ΔtHcd>2min。
同时还建立其他的预测结果考核指标,包括平均隐藏性绝对误差MAEH和隐藏性均方根误差RMSEH,计算方法分别如式(8)和(9)所示:
式中,m为某分析时段内隐藏性预测误差计算时间周期THE下的样本总个数;PMHj和PPHj分别为第j个风电功率实测样本值和等效预测样本值。
上述所建立的部分隐藏性预测误差考核指标存在相应的阈值设置。中国国家能源局的《风电场功率预测预报管理暂行办法》规定风电场功率预测系统的实时预测误差不超过15%。因此,令风电功率预测系统进行超短期预测时对应的极大隐藏性误差率阈值δusth为0.15:
δusth=0.15 (10)
步骤3:进行风电功率波动性判断,确定是否需要调节时间分辨率。当风电功率分钟级剧烈波动时,采用恒定时间分辨率进行风电功率预测会产生大的隐藏性预测误差。若隐藏性预测误差的幅值不满足风电功率预测考核标准,则会对电力系统的安全稳定运行产生威胁,此时就需要调节时间分辨率。
超短期风电功率在时间上具有很强的数值相关性,则相应的隐藏性预测误差也具有很强的时序特性。因此,可以根据临近时间步长内隐藏性预测误差的波动特性对预测目标时间区间内的误差波动趋势进行预测,为时间分辨率的自适应调节提供依据。考虑预测目标时间区间起点前的N个时间步长内的隐藏性预测误差作为波动特性分析的参考数据。
首先选取Tus0为基准恒定时间分辨率,设时刻t0为进行时间分辨率自适应调节的时间起点,确定是否需要调节时间分辨率的步骤包括:
①取出时刻t0之前N个时间步长内的风电功率,即取基准恒定时间分辨率Tus0下的平均预测值PP与以1min为采样周期的实测值PMH(N维的平均预测值PP与Tus0*N维实测值PMH);
②按照式(4)计算这N个时间步长内的相对隐藏性预测误差eHrel;
③利用式(5)-(7)分别计算这N个时间步长内风电功率隐藏性预测误差的极大隐藏性误差率指标值δmaxH及最大单向平均波动率指标值ρmaxH%;
④比较极大隐藏性误差率δmaxH与阈值δusth,存在以下两种情形:
情形1:极大隐藏性误差率δmaxH等于或小于阈值δusth,即δmaxH≤δusth,说明在这N个时间步长内无大幅度的风电功率波动。则可以预测在预测目标时间区间内风电功率预测模型采用Tus0为时间分辨率能准确地跟踪风电功率的实时波动,因此此时无需调节时间分辨率;
情形2:极大隐藏性误差率δmaxH大于阈值δusth,即δmaxH>δusth,说明在这N个时间步长内有大幅度的风电功率波动。则可以预测在预测目标时间区间内风电功率预测模型以Tus0为时间分辨率会存在大的隐藏性预测误差,因此此时需要调节时间分辨率。
步骤4:对历史数据进行离线学习,并根据学习得到的ρmaxH0%和kus之间的数值关系对ρmaxH0%和kus进行组距分组。
本发明采用调节系数kus对时间分辨率进行调节。在调节系数kus的作用下,基准恒定时间分辨率Tus0被调节为T'us:
T'us=kus×Tus0 (11)
式中,T'us为调节之后的超短期风电功率预测的时间分辨率。调节系数kus的大小取决于最大单向平均波动率ρmaxH%。最大单向平均波动率ρmaxH%越大,表明风电功率波动越剧烈,则为达到规定预测精度所需的时间分辨率T'us越大,调节系数kus越小。
如图4所示,ρmaxH%和kus之间的调节规则通过离线学习历史数据的方式建立,具体的步骤包括:
①建立学习数据集。根据历史数据建立学习数据集,包括每个预测时间区间内以1min为采样周期采样得到的风电功率实测值PMH和以15min为恒定时间分辨率预测得到的平均预测值PP;
②隐藏性预测误差的波动特性分析。根据公式(4)-(7)计算预测时间区间内恒定时间分辨率下的相对隐藏性预测误差eHrel及其对应的极大隐藏性误差率δmaxH和最大单向平均波动率ρmaxH0%(ρmaxH0%为恒定时间分辨率下预测误差的最大单向平均波动率指标值);
③时间分辨率的迭代调节。比较计算得到的极大隐藏性误差率δmaxH与阈值δusth。当δmaxH≤δusth,令调节系数kus为1,使时间分辨率保持不变。反之,则进行迭代调节直至kus满足预测性能要求。
在此迭代过程中,时间分辨率每次减少1min,与之对应的调节系数变化步长l为:
式中,l为时间分辨率调节系数kus的变化步长。
当基准恒定时间分辨率下风电功率隐藏性预测误差的极大隐藏性误差率δmaxH大于阈值δusth时,调节系数kus按以下方式变化:
kus=1-h×l h=1,2,3,…,H (13)
式中,h为调节系数的变化次数;H为当极大隐藏误差率由δmaxH>δusth变为δmaxH≤δusth时调节系数变化的总次数。
④确定ρmaxH0%和kus之间的关系。对于任何一个ρmaxH0%,将δmaxH满足阈值条件时迭代得到的kus作为该波动率对应的调节系数。检测数据集的学习进度,若整个数据集的学习已经全部完成,则总结ρmaxH0%和kus之间的关系;否则,进入下一个学习循环。
⑤ρmaxH0%和kus之间关系的组距分组。基于ρmaxH0%和kus之间的关系可知当最大单向平均波动率发生微小变化时,对应的调节系数虽然不同,但非常相近。因此,根据ρmaxH0%和kus之间的数值关系对ρmaxH0%和kus进行组距分组,并得到各组ρmaxH0%对应的时间分辨率调节系数kus。
步骤5:在线调节时间分辨率,进行自适应超短期风电功率预测。
超短期风电功率预测时间分辨率的在线自适应调节方法的流程如下:
①确定当前的预测目标时间区间及区间的时间起点t0;
②采用自适应时间分辨率进行该预测目标时间区间内的风电功率预测,具体步骤如图3所示。
首先,预测风电功率预测模型在预测目标时间区间内采用Tus0为时间分辨率时隐藏性预测误差的波动特性(δmaxH和ρmaxH0%),并判断是否需要调节时间分辨率。
然后,基于离线学习得到的ρmaxH0%和kus之间的调节规则,找出上述波动特性对应的调节系数kus。
最后,计算时间分辨率T'us,将其作为预测模型的新时间分辨率进行预测目标时间区间内风电功率的预测。
③实时更新预测目标时间区间,执行上一步。
本发明提出的时间分辨率自适应调节方法具有以下两个特点:
(1)该方法先离线迭代和学习ρmaxH0%和kus之间关系,再基于学习结果在线调节时间分辨率,可以极大程度地减少调节的时间成本;
(2)对ρmaxH0%和kus关系进行组距分组,避免了预测模型在微小的误差波动率区间内仍对时间分辨率进行调节,可以极大程度地减少调节的存储空间成本。
因此,此方法在满足风电功率预测系统预测精度要求的同时,也保证了预测系统的预测效率。
实施例
为了验证所提的自适应时间分辨率的超短期风电功率预测方法的有效性,本发明选取真实风电场数据进行分析论证。本实施例采用风电功率预测应用最为广泛的BP神经网络作为预测模型在Matlab软件上完成仿真计算。
3.1数据集及参数设置
本实施例中的数据集选自中国北方某风电场2006年5月10日至6月6日共28天的风电功率数据,如图5所示。其风电场总容量为49.3MW。将数据集中5月10日至6月5日的风电功率数据作为超短期预测模型的训练样本,根据2.2部分中时间分辨率在线自适应调节方法的流程,对6月6日的风电功率进行超短期滚动预测。为了验证自适应时间分辨率超短期风电功率预测方法的预测效果,本实施例对6月6日里不同情形下的预测结果进行具体分析。
设定预测模型的基准恒定时间分辨率Tus0为15min;用于隐藏性预测误差波动特性分析和预测的参考数据的时间步长数N为4。
3.2时间分辨率自适应调节系数
根据2.3部分里对该风电场历史功率数据的离线学习方法,可得当基准恒定时间分辨率(15min)下超短期风电功率预测的极大隐藏性误差率指标值δmaxH大于对应的阈值δusth时,隐藏性预测误差最大单向平均波动率及其对应的自适应调节系数的组距分组,如表1所示。
表1隐藏性预测误差最大单向平均波动率及其对应的自适应调节系数的分组
3.3自适应时间分辨率的超短期风电功率预测
在对6月6日的风电功率进行超短期滚动预测期间,实时地根据预测误差的波动情况自适应调节时间分辨率。在以下三种不同情形下,进行自适应时间分辨率的风电功率预测,并与恒定时间分辨率的风电功率预测进行比较来论证所提预测方法的自适应性和有效性。
情形一:对12:15至16:15期间的风电功率进行预测
在这个情形里,预测目标时间区间的起点t0为12:15。首先,对t0时刻前的4个时间步长(11:15-12:15)内基准恒定时间分辨率(15min)下的风电功率隐藏性预测误差波动特性进行分析,可得其极大隐藏性误差率δmaxH小于阈值δusth。说明在这4个时间步长内无大幅度的风电功率波动。并且根据超短期风电功率及其隐藏性预测误差序列较强的数值相关性,可以预测在12:15至16:15期间基准时间分辨率(15min)下的预测系统能准确地跟踪风电功率的实时波动。因此,采用15min为时间分辨率对该时间区间内的风电功率进行预测,如图6所示。
从图5可以看出,12:15至16:15期间内的风电功率不存在剧烈波动。基准恒定时间分辨率(15min)下的预测模型能够准确地预测该时间区间内的风电功率,这与上述的波动特性预测和分析是一致的。
结合式(2)和(4)计算可得对应的风电功率相对平均预测误差erel和相对隐藏性预测误差eHrel,如图7所示。
由图6可以看出,在该时间区间内采用基准时间分辨率(15min)进行超短期风电功率预测时的极大隐藏性误差率δmaxH为0.095,小于阈值δusth(0.095<0.15),满足预测系统的性能要求。
情形二:对17:45至21:45期间的风电功率进行预测
同上,计算16:45至17:45四个时间步长内基准恒定时间分辨率(15min)下的风电功率隐藏性预测误差的极大隐藏性误差率δmaxH和最大单向平均波动率ρmaxH%。其中,极大隐藏性误差率δmaxH为0.168,大于阈值eHrel(0.168>0.15),说明在这4个时间步长内存在大幅度的风电功率波动。并且可以判断在此预测目标时间区间(17:45至21:45)内,预测模型以15min为时间分辨率进行预测将存在大的隐藏性预测误差,则需要在此目标时间区间内调节时间分辨率。由于计算所得的最大单向平均波动率指标值ρmaxH%为0.176,因此根据表1获得最大单向平均波动率指标值ρmaxH%为0.176时对应的时间分辨率自适应调节系数8/15,并将时间分辨率调节为8min。
如图8所示为17:45至21:45期间自适应时间分辨率(8min)及基准时间分辨率(15min)下的超短期风电功率预测值和相应的实际值(以1min为采样周期的实际测量值和以15min为周期的实际记录值)。
从图7可以看出,自适应时间分辨率下的风电功率预测模型能更好地跟踪风电功率的实时波动。尤其当风电功率具有剧烈的波动时,如20时45分至21时30分,跟踪效果得到了大的改善。
结合式(2)和(4)计算可得对应的风电功率相对平均预测误差erel和相对隐藏性预测误差eHrel,如图9、图10所示。
通过比较图9和图10可得相对隐藏性预测误差eHrel可以更精确地反映预测误差的实时动态波动。而且可以看出当采用基准时间分辨率预测20:30至21:30时间区间内的风电功率时存在大的预测误差。此时极大隐藏性误差率δmaxH达到0.21,会对电力系统的安全性和稳定性产生威胁。但采用自适应时间分辨率进行预测时,极大隐藏性误差率被减小为0.12,避免了对电力系统安全和稳定运行的威胁。
为了比较该时间区间内两种时间分辨率下超短期风电功率的预测效果,根据《风电功率预测功能规范》中的预测误差考核指标极大误差率δmax、平均绝对误差Eav和均方根误差Erms以及本发明建立的考核指标,得风电功率预测的相对平均预测误差的比较结果如表2所示,相对隐藏性预测误差的比较结果如表3所示。为了更清晰地表示自适应时间分辨率下超短期风电功率预测结果相比于基准恒定时间分辨率预测的改进效果,本实施例建立了各预测误差考核指标的改进度指标。该改进度指标值为两种时间分辨率下预测误差考核指标的改进量与基准恒定时间分辨率下的超短期风电功率预测的考核指标值的比值。相对平均预测误差和相对隐藏性预测误差考核指标的改进度分别列在表2和表3的第4列。
表2 17:45至21:45期间两种时间分辨率下相对平均预测误差的比较
表3 17:45至21:45期间两种时间分辨率下相对隐藏性预测误差的比较
可以看出,该时间区间内自适应时间分辨率下超短期风电功率预测误差的所有考核指标得到了改善。尤其是自适应时间分辨率下的极大误差率和极大隐藏性误差率分别比基准时间分辨率下误差率小58.33%和41.57%。
自适应时间分辨率下超短期风电功率预测的相对平均预测误差和相对隐藏性预测误差均满足预测的性能要求。然而对于基准时间分辨率下超短期风电功率预测,虽然其极大误差率满足预测的性能要求,但极大隐藏性误差率指标值δmaxH为0.2088,大于对应的阈值(0.2088>0.15),不满足预测的性能要求。
因此,可以总结得到隐藏性预测误差能够更好地评估预测性能,并且在此时间区间内自适应时间分辨率下的预测模型具有更高的预测精度。
情形三:对20:00至24:00期间的风电功率进行预测
在这个情形中,预测目标时间区间时间起点前的4个时间步长(19:00-20:00)内基准恒定时间分辨率(15min)下超短期风电功率隐藏性预测误差的极大隐藏性误差率δmaxH为0.153(δmaxH>δusth),最大单向平均波动率指标值ρmaxH%为0.28。因此,对于此预测目标时间区间20:00至24:00,选取1/3为时间分辨率自适应调节系数,将时间分辨率调节为5min。
如图11所示为20:00至24:00期间自适应时间分辨率(5min)及基准时间分辨率(15min)下的超短期风电功率预测值和相应的实际值(以1min为采样周期的实际测量值和以15min为周期的实际记录值)。从此图可以看出,在该预测时间区间内,自适应时间分辨率下的风电功率预测模型能更好地跟踪风电功率的实时波动。尤其当风电功率具有剧烈的波动时,如20时45分至21时30分及22时45分至23时15分,跟踪效果得到了大的改善。
此时间区间内风电功率相对平均预测误差erel和相对隐藏性预测误差eHrel如图12、图13所示。由这两个图可知,在20时45分至21时30分及22时45分至23时15分的时间段内,基准时间分辨率下的超短期风电功率预测存在大的预测误差,其所对应的极大隐藏性误差率分别为0.16和0.21,不满足预测的精度要求。但是,这两个时间段里自适应时间分辨率下的极大隐藏性误差率分别减小到0.08和0.14,均满足预测精度要求。
该预测目标时间区间内两种时间分辨率下超短期风电功率预测的相对平均预测误差及相对隐藏性预测误差的比较如表4和5所示。
表4 20:00至24:00期间两种时间分辨率下相对平均预测误差的比较
表5 20:00至24:00期间两种时间分辨率下相对隐藏性预测误差的比较
从表4和表5中预测误差的比较可以看出,该时间区间内自适应时间分辨率下超短期风电功率的预测精度得到了改善。
自适应时间分辨率下超短期风电功率预测的相对平均预测误差和相对隐藏性预测误差均满足预测的性能要求。然而对于基准时间分辨率下超短期风电功率预测,虽然其极大误差率满足预测的性能要求,但极大隐藏性误差率指标值δmaxH大于对应的阈值(0.2097>0.15),不满足预测的性能要求。
从以上三种情形可以看出,本发明所提出的超短期风电功率预测模型的时间分辨率会随着预测误差波动特性的变化而得到实时的自适应调节。并且自适应时间分辨率下风电功率预测模型比基准恒定时间分辨率下的预测模型具有更高的预测精度,有效地避免风电功率剧烈波动时极大隐藏性误差率不能满足其阈值要求的现象。
Claims (5)
1.一种自适应时间分辨率的超短期风电功率预测方法,包括以下步骤:
步骤1:计算风电功率预测周期内隐藏性预测误差;
步骤2:建立相应的误差波动幅值和波动率指标衡量风电功率预测误差的波动特性;
步骤3:进行风电功率波动性判断,确定是否需要调节时间分辨率;
步骤4:对历史数据进行离线学习,并根据学习得到的调节系数和波动率之间的数值关系对调节系数和波动率进行组距分组,具体步骤如下:
4-1:根据历史数据建立学习数据集,包括每个预测时间区间内以1min为采样周期采样得到的风电功率实测值PMH和以15min为恒定时间分辨率预测得到的平均预测值PP;
4-2:计算预测时间区间内恒定时间分辨率下的相对隐藏性预测误差eHrel及其对应的极大隐藏性误差率δmaxH和最大单向平均波动率ρmaxH0%;
4-3:比较计算得到的极大隐藏性误差率δmaxH与阈值δusth,当δmaxH≤δusth,令调节系数kus为1,使时间分辨率保持不变;反之,则进行迭代调节直至kus满足预测性能要求;
在此迭代过程中,时间分辨率每次减少1min,与之对应的调节系数变化步长l为:
式中,l为时间分辨率调节系数kus的变化步长;
当基准恒定时间分辨率下风电功率隐藏性预测误差的极大隐藏性误差率δmaxH大于阈值δusth时,调节系数kus按下式取值:
kus=1-h×l h=1,2,3,…,H
式中,h为调节系数的变化次数;H为当极大隐藏误差率由δmaxH>δusth变为δmaxH≤δusth时调节系数变化的总次数;
4-4:对于任何一个ρmaxH0%,将δmaxH满足阈值条件时迭代得到的kus作为该波动率对应的调节系数;检测数据集的学习进度,若整个数据集的学习已经全部完成,则总结ρmaxH0%和kus之间的关系;否则,进入下一个学习循环;
4-5:根据得到的ρmaxH0%和kus之间的数值关系对ρmaxH0%和kus进行组距分组,并得到各组ρmaxH0%对应的时间分辨率调节系数kus;
步骤5:在线调节时间分辨率,进行自适应超短期风电功率预测,具体步骤如下:
5-1:确定当前的预测目标时间区间及区间的时间起点t0;
5-2:采用自适应时间分辨率进行预测目标时间区间内的风电功率预测,预测流程如下所示:
首先,预测风电功率预测模型在预测目标时间区间内采用Tus0为时间分辨率时隐藏性预测误差的波动特性δmaxH和ρmaxH0%,并判断是否需要调节时间分辨率;
然后,基于离线学习得到的ρmaxH0%和kus之间的调节规则,找出上述波动特性对应的调节系数kus;
最后,计算时间分辨率T'us,将其作为预测模型的新时间分辨率进行预测目标时间区间内风电功率的预测;
5-3:实时更新预测目标时间区间,执行上一步。
3.根据权利要求1所述的自适应时间分辨率的超短期风电功率预测方法,其特征在于,所述步骤2中,建立了误差波动幅值和波动率考核指标用于衡量风电功率预测误差的波动特性步骤如下:
1)波动幅度指标:将最大隐藏性预测误差δabsH和极大隐藏性误差率δmaxH作为评估隐藏性预测误差波动幅度的考核指标,计算如下所示:
δabsH=max(|PMH-PPH|)
2)波动率指标:基于风电功率的爬坡行为特性,将最大单向平均波动率ρmaxH%作为评估隐藏性预测误差波动率的考核指标,计算如下所示:
式中,下标c和d分别表示某时间区间内隐藏性预测误差的某段单向波动的起点和终点;ΔeHcd=|eHd-eHc|和ΔtHcd=|tHd-tHc|分别为对应于以c为起点及以d为终点的隐藏性预测误差单向波动的幅值和持续时间,其中:eHd和eHc分别为起点c及终点d处的隐藏性预测误差,tHd和tHc分别为起点c及终点d处的时间;ρmaxH%为此时间区间内隐藏性预测误差的最大单向平均波动率;
3)平均隐藏性绝对误差MAEH指标,计算如下所示:
式中,m为某分析时段内隐藏性预测误差计算时间周期THE下的样本总个数;PMHj和PPHj分别为第j个风电功率实测样本值和等效预测样本值;
4)隐藏性均方根误差RMSEH指标,计算如下所示:
4.根据权利要求1所述的自适应时间分辨率的超短期风电功率预测方法,其特征在于,所述步骤3的具体步骤如下:
步骤1:取出时刻t0之前N个时间步长内的风电功率,即取基准恒定时间分辨率Tus0下的平均预测值PP与以1min为采样周期的实测值PMH;
步骤2:计算这N个时间步长内的相对隐藏性预测误差eHrel;
步骤3:计算这N个时间步长内风电功率隐藏性预测误差的极大隐藏性误差率指标值δmaxH及最大单向平均波动率指标值ρmaxH%;
步骤4:比较极大隐藏性误差率δmaxH与阈值δusth,若极大隐藏性误差率δmaxH等于或小于阈值δusth,即δmaxH≤δusth,此时无需调节时间分辨率;若极大隐藏性误差率δmaxH大于阈值δusth,即δmaxH>δusth,此时需要调节时间分辨率。
5.根据权利要求1所述的自适应时间分辨率的超短期风电功率预测方法,其特征在于,所述步骤4中,需要调节时间分辨率时,采用调节系数kus对时间分辨率进行调节,基准恒定时间分辨率Tus0被调节为T'us:
T'us=kus×Tus0
式中,T'us为调节之后的超短期风电功率预测的时间分辨率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910684948.6A CN110458344B (zh) | 2019-07-26 | 2019-07-26 | 一种自适应时间分辨率的超短期风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910684948.6A CN110458344B (zh) | 2019-07-26 | 2019-07-26 | 一种自适应时间分辨率的超短期风电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458344A CN110458344A (zh) | 2019-11-15 |
CN110458344B true CN110458344B (zh) | 2022-05-06 |
Family
ID=68483695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910684948.6A Active CN110458344B (zh) | 2019-07-26 | 2019-07-26 | 一种自适应时间分辨率的超短期风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458344B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798034B (zh) * | 2020-06-10 | 2021-09-07 | 河海大学 | 基于风流场时空图像学习的风电功率预测系统及预测方法 |
CN113507118B (zh) * | 2021-07-11 | 2022-05-13 | 湘潭大学 | 一种风电功率预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102055188A (zh) * | 2011-01-07 | 2011-05-11 | 西北电网有限公司 | 基于时间序列法的超短期风电功率预报方法 |
CN102298707A (zh) * | 2011-08-24 | 2011-12-28 | 辽宁力迅风电控制系统有限公司 | 基于连续时间段聚类与支持向量机建模的风电功率预测方法 |
CN107358060A (zh) * | 2017-09-06 | 2017-11-17 | 大连理工大学 | 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法 |
CN107404127A (zh) * | 2017-08-10 | 2017-11-28 | 中国农业大学 | 考虑多时间尺度协调的风电鲁棒区间轨迹调度方法 |
-
2019
- 2019-07-26 CN CN201910684948.6A patent/CN110458344B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102055188A (zh) * | 2011-01-07 | 2011-05-11 | 西北电网有限公司 | 基于时间序列法的超短期风电功率预报方法 |
CN102298707A (zh) * | 2011-08-24 | 2011-12-28 | 辽宁力迅风电控制系统有限公司 | 基于连续时间段聚类与支持向量机建模的风电功率预测方法 |
CN107404127A (zh) * | 2017-08-10 | 2017-11-28 | 中国农业大学 | 考虑多时间尺度协调的风电鲁棒区间轨迹调度方法 |
CN107358060A (zh) * | 2017-09-06 | 2017-11-17 | 大连理工大学 | 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法 |
Non-Patent Citations (2)
Title |
---|
On Space-Time Resolution of Inflow Representations for Wind Turbine Loads Analysis;Chungwook Sim,etc;《www.mdpi.com/journal/energies》;20120531;全文 * |
风电集群短期及超短期功率预测精度改进方法综述;彭小圣;《中国电机工程学报》;20161205;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110458344A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
CN113572206B (zh) | 一种风电出力区间预测方法 | |
CN112149984B (zh) | 一种基于贝叶斯网络的水库调洪多维不确定性风险分析方法 | |
CN111079086B (zh) | 一种基于多元联合分布的水资源系统多重风险评估方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN110458344B (zh) | 一种自适应时间分辨率的超短期风电功率预测方法 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN113505938A (zh) | 一种超短期风电功率组合预测方法及系统 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN111600300A (zh) | 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法 | |
CN116960941A (zh) | 一种功率爬坡事件预测方法、装置、设备及存储介质 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
Dang et al. | A novel multivariate grey model for forecasting periodic oscillation time series | |
CN111435469B (zh) | 一种梯级电站中下游电站入库流量的预测方法 | |
CN114462688A (zh) | 一种基于lstm模型和动态阈值确定算法的爆管检测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN113991711A (zh) | 一种光伏电站储能系统容量配置方法 | |
Wang et al. | A novel wind power forecasting system integrating time series refining, nonlinear multi-objective optimized deep learning and linear error correction | |
CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
CN115907198A (zh) | 一种长距离供热负荷智能预测系统 | |
CN112803403B (zh) | 基于时频特征的海上风电集群效应多层级评估方法 | |
Shen et al. | An interval analysis scheme based on empirical error and mcmc to quantify uncertainty of wind speed | |
CN113505909A (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
Zhang et al. | Research on short-term power load forecasting based on ARIMA-LSTM model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |